CN114145725B - 一种基于无创连续血压测量的ppg采样率估算方法 - Google Patents
一种基于无创连续血压测量的ppg采样率估算方法 Download PDFInfo
- Publication number
- CN114145725B CN114145725B CN202210118049.1A CN202210118049A CN114145725B CN 114145725 B CN114145725 B CN 114145725B CN 202210118049 A CN202210118049 A CN 202210118049A CN 114145725 B CN114145725 B CN 114145725B
- Authority
- CN
- China
- Prior art keywords
- ppg
- matrix
- sampling rate
- blood pressure
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
- A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Cardiology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- Vascular Medicine (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明提出一种基于无创连续血压测量的PPG采样率估算方法,涉及无创血压测量的技术领域,首先以采样率阈值采集测试对象的PPG原始信号并作为样本,对样本预处理以及DCT变换,通过DCT变换的方式将PPG原始信号转换到频域中进行降维,回避高频噪声的干扰,在估计采样率的过程中,采用逐次降低采样率的方式,获得不同采样率下的信号,最后以测试对象的血压真实值为基准,预测不同采样率下的信号对应的血压值并与基准对比,获得不同采样率下血压准确度的趋势曲线,基于趋势曲线,在保证血压测量准确度的前提下,估计出合理的采样率,操作简便,不受生理信号稀疏性差的影响,可用于设计智能可穿戴血压估计硬件的采样率。
Description
技术领域
本发明涉及无创血压测量的技术领域,更具体地,涉及一种基于无创连续血压测量的PPG采样率估算方法。
背景技术
血压是反映人体生理健康状况的一项重要生理参数,也是生物医疗领域中评估心脏和血管功能健康状况的重要依据。因此,血压测量对人体健康监测和心血管疾病的临床诊断以及治疗具有重要意义。
无创连续血压测量是指通过连续测量被测量者身体外部动脉管壁脉动、血液容积的变化等参数间接地得出被测量者血压值的方式,随着科技的发展,利用无创血压检测的方式测得的血压值也越来越准确,而且这种方式凭借其方便性和实用性,在日常血压测量中的应用也越来越广泛,因此,现在很多学者也热衷于开展无创连续血压测量的研究,尤其以PPG为代表。常规的光电容积脉搏波(PPG)是一种光学技术,是以LED光源和探测器为基础,测量经过人体血管和组织反射、吸收后的衰减光,记录血管的搏动状态并测量脉搏波,其可用于检测外周循环中血液的容量变化,是一种在皮肤表面进行测量的非侵入式方法,但考虑脉搏波直接判断血压值是不准确的,不少学者也对此进行了改进,如现有技术中公开了基于PPG与心电图混合的无创血压检测方法,通过采用常规基于PPG的方法,提取PPG信号中的特征参数,建立人体血压的测量模型,经过血压标定校准,得到同人体血压值之间的有密切相关性的校准参数,然后利用这些标定校准参数,进行基于PPG波形和ECG波形的脉搏波的血压测量,再通过采用基于PPG波形和ECG波形的脉搏波波速测定法,建立多参数血压估计模型,最后通过二者测得数据进行比较分析修正,即整体上通过PPG波形和ECG波形混合模式进行检测,与单纯基于PPG相比,提高了血压检验精度。
另一方面,虽然脉搏波直接判断血压值是不准确的,但脉搏波的形态是由于心脏收缩产生压力推动血液循环的,所以,通过当前脉搏波形态估计血压的方式也是可行的。如图1所示,PPG波形常常包含收缩峰、舒张峰和介于两者之间的位阶等,图1中横坐标为时间,单位为μs,纵坐标为振幅,单位为μV,S为收缩峰,N为舒张峰,O为介于两者之间的位阶,P为PPG信号的底部,是关键特征,一般为了找到PPG波形的底部,需要计算PPG波形的一阶和二阶导数,进而能非常准确地检测信号的底部特征,理论上当PPG采样率无限高时,计算出来的血压值则完全准确,即采样率越高,计算出的血压值越准确,事实上,不同人的生理信号处于的频段不同,直接设计一个很高的PPG采样率,会导致数据传输过程中需要消耗较多的能量,带来的成本消耗也较高,但倘若PPG采样率较低,再加上噪声干扰,则可能导致采样的生理信号稀疏性较差,无法满足重构精度和速度的要求。因此,以怎样的采样率采集PPG信号并计算血压值是性价比最高的,即如何综合考虑采样成本和血压测量准确度,是需要探讨的一个技术问题。目前,在基于PPG的血压估计方法中,也有根据传统奈奎斯特采样定理直接设定PPG采样率的方式,但因为血压估计需要用到PPG一次求导和二次求导后的信号,意味着根据传统奈奎斯特采样定理直接设定PPG采样率的方式会造成PPG信号的某些特征丢失,计算出的血压值出现较大误差。
发明内容
为解决在无创连续血压测量时,如何兼顾采样成本与血压测量准确度的问题,本发明提出一种基于无创连续血压测量的PPG采样率估算方法,在保证血压测量准确度的前提下,估计出适宜恰当的采样率,同时回避了PPG采样中的噪声干扰的问题,而且不受生理信号稀疏性差的影响。
为了达到上述技术效果,本发明的技术方案如下:
一种基于无创连续血压测量的PPG采样率估算方法,包括:
S1.以采样率阈值E作为采样率,采集M次测试对象的PPG原始信号,将M次测试对象的PPG原始信号作为M个PPG原始信号样本,E为正整数;
S2.直接测取测试对象的M次血压真实值,将M次血压真实值分别作为M个PPG原始信号样本所对应的血压测量基准值;
S3.根据采样率阈值对每一个PPG原始信号样本数据进行采样预处理,得到每一个PPG原始样本的原始PPG信号矩阵;
S4.引入DCT变换矩阵,利用DCT变换矩阵对原始PPG信号矩阵进行DCT变换,得到频域内的矩阵A;
S5.以N作为等间隔采样率变化间距,将采样率降低N,得到新的采样率,从矩阵A中提取前N个低频点,组成矩阵C,N为正整数;
S6.对矩阵C进行DCT逆变换,得到时域内的新PPG信号矩阵Xo;
S7.对于每一个PPG原始信号样本,当得到的新PPG信号矩阵Xo的个数未达到设定值Q时,返回S5,Q也对应由采样率阈值逐次降低N后得到的不同采样率的个数;当达到设定值Q时,对Q个不同采样率下M个PPG原始信号样本对应的血压值分别进行回归预测,执行步骤S8;
S8.将Q个不同采样率下M个PPG原始信号样本对应的血压值分别与步骤S2所述的血压测量基准值对比,得到Q个不同采样率下M个PPG原始信号样本分别对应血压值的准确率,绘制准确率随采样率变化的趋势曲线;
S9.将趋势曲线中自准确率开始降低至准确率再次升高过程中的首个转折点对应的采样率作为估算的PPG采样率。
优选地,在步骤S1中,所述的采样率阈值是M次采集测试对象PPG原始信号的最高采样率,在采集过程中,以时间序列为索引,采集测试对象的PPG原始信号,然后以每秒钟的PPG原始信号作为一个PPG原始信号样本。
在此,考虑理论上当采样率无限高时,计算出来的血压值完全准确,即采样率越高,计算出的血压值越准确,步骤S1以最高采样率进行PPG原始信号的采集,此条件下的PPG原始信号计算出的血压值也将是最准确的,以此处作为采样率估算出发点。而为提高本方案的可靠性,对于PPG原始信号本身,本方案中也会采用M批量的样本,所以会采集M次PPG原始信号。
优选地,步骤S3所述的根据采样率阈值对每一个PPG原始信号样本数据进行采样预处理的操作为:
以采样率阈值E为尺度基准,将每一个PPG原始信号样本处理成PPG一维向量,表示为E×1的原始PPG信号矩阵X i 。
优选地,步骤S4所述引入的DCT变换矩阵为E×E的矩阵,利用DCT变换矩阵对原始PPG信号矩阵X i 进行DCT变换时,E×1的原始PPG信号矩阵X i 左乘DCT变换矩阵,得到频域内的矩阵A,矩阵A共E行、1列。
在此,DCT变换是一种将信号从时域转换到频域的方法,通过DCT变换将时域的原始PPG信号矩阵X i 转换成为频域的矩阵A,通过矩阵A的矩阵分量内容可以清晰得出高频信号矩阵分量和低频信号矩阵分量,通常人体生理信号中的低频部分的信息量大于高频部分的信息量,高频部分中会含有噪声信息等,因此,通过DCT变换的方式将PPG信号转换到频域中进行降维,是一种删除高频的降维方式,以保证后续估算的采样率的合理性,依此进行的血压测量准确率也会更高。
优选地,在经DCT变换后得到的矩阵A中,自首行开始自上而下的矩阵分量,在频域内代表从低频至高频;
步骤S5所述从矩阵A中提取前N个低频点,组成矩阵C的过程为:
引入N×E的低频提取矩阵B,低频提取矩阵B由N阶单位矩阵与N×(E-N)的零矩阵拼接而成,E大于N;
矩阵A左乘低频提取矩阵B,得到N个低频矩阵分量组成的矩阵C,矩阵C共N行、1列。步骤S6所述对矩阵C进行DCT逆变换时,引入用于DCT逆变换的N×N的IDCT矩阵,N×1的矩阵C左乘N×N的IDCT矩阵,得到N×1的新PPG信号矩阵Xo 。
在此,该技术操作是对每一个PPG原始样本的原始PPG信号矩阵进行的,与原始PPG信号矩阵Xo相比,原始PPG信号矩阵Xo为E×1的矩阵,新PPG信号矩阵Xo是N×1的矩阵,采样率降低。
优选地,在步骤S7中,设从采样率阈值E开始,以N作为等间隔采样率变化间距,采样率逐次降低N后所至的下限为Sa,则采样率降低尺度为(E-Sa),N与(E-Sa)满足:
N*Q=E-Sa
其中,Q表示得到的新PPG信号矩阵Xo的个数设定值,即采样率从采样率阈值E开始逐次降低N后得到不同采样率的个数,对于每一个PPG原始信号样本,Q个不同PPG信号矩阵Xo对应Q个不同的采样率。
优选地,步骤S8所述的Q个不同采样率下M个PPG原始信号样本对应的血压值分别与步骤S2所述的血压测量基准值对比的过程为:
设VPG为对PPG信号矩阵Xo中PPG信号一次求导后的信号,APG为对PPG信号矩阵Xo中PPG信号二次求导后的信号,对于M个PPG原始信号样本的每一个PPG原始信号样本,从Q个不同采样率下PPG信号矩阵Xo中PPG信号的脉搏波曲线出发,对Q个不同采样率下PPG信号矩阵Xo中PPG信号、VPG信号、APG信号的特征点进行提取,设采样率i下提取的PPG信号、VPG信号、APG信号的特征点为qi个,则M个PPG原始信号样本得到M*qi特征点,i表示采样率次序,i=1,2,…,Q,也表示得到PPG信号矩阵Xo的次序;将M个PPG原始信号样本划分为训练集和测试集,引入随机森林模型,基于每个PPG原始信号样本提取的特征点,利用训练集和测试集训练并测试随机森林模型;
在随机森林模型训练测试完成后,将M个PPG原始信号样本输入随机森林模型进行回归预测,输出M个PPG原始信号样本对应的血压值,并分别与血压测量基准值对比,记录Q个不同采样率下回归预测后得到的血压值与血压测量基准值相同时的样本,将此类样本的个数m i_true 作为采样率i下的正确样本数。
优选地,所述的特征点包括:PPG信号矩阵Xo中PPG信号脉搏波的收缩点S;VPG信号的收缩周期极大值w、重陷点N、舒张周期极大值u;APG信号的5个二次求导点a、b、c、d、e。
优选地,步骤S8中所述Q个不同采样率下PPG原始信号样本对应血压值的准确率的表达式为:
P i_true =m i_true /M
其中,P i_true 表示采样率i下的PPG原始信号样本对应的血压值的准确率;m i_true 表示采样率i下的M个PPG原始信号样本中进行回归预测后得到的血压值与血压测量基准值相同时的PPG原始信号样本的个数。
本发明还提出PPG采样率估算方法的应用,应用于无创连续血压测量设备硬件采样率的设计。
与现有技术相比,本发明技术方案的有益效果是:
本发明提出一种基于无创连续血压测量的PPG采样率估算方法,首先以采样率阈值采集测试对象的PPG原始信号作为样本,对每一个样本进行预处理以及DCT变换,通过DCT变换的方式将PPG原始信号转换到频域中进行降维,回避高频噪声的干扰,以保证后续估算的采样率的合理性,在具体估计采样率的过程中,采用逐次降低采样率的方式,获得不同采样率下的信号,最后以测试对象的血压真实值为基准,预测不同采样率下的信号对应的血压值并与基准对比,获得不同采样率下血压准确度的趋势曲线,基于趋势曲线,在保证血压测量准确度的前提下,估计出合理的采样率,操作简便,且不受生理信号稀疏性差的影响,可用于设计智能可穿戴血压估计硬件的采样率,从而降低硬件的功耗,降低成本。
附图说明
图1表示本发明背景技术中提出的典型PPG信号波形示意图;
图2表示本发明实施例1中提出的基于无创连续血压测量的PPG采样率估算方法的流程示意图;
图3表示本发明实施例2中提出的由采样率阈值逐次降低N得到的不同采样率的示意图;
图4表示本发明实施例3中提出的PPG信号、VPG信号、APG信号波形的示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好地说明本实施例,附图某些部位会有省略、放大或缩小,并不代表实际尺寸;
对于本领域技术人员来说,附图中某些公知内容说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
附图中描述位置关系的仅用于示例性说明,不能理解为对本专利的限制;
实施例1
考虑不同人的生理信号处于的频段不同,直接设计很高的PPG采样率,会导致数据传输过程中需要消耗较多的能量,成本消耗较高,但倘若PPG采样率较低,再加上噪声干扰,则可能导致采样的生理信号稀疏性较差,无法满足重构精度和速度的要求,影响血压测量准确度,因此,为兼顾采样成本与血压测量准确度,本实施例提出一种基于无创连续血压测量的PPG采样率估算方法,该方法的流程示意图如图2所示,包括以下步骤:
S1.以采样率阈值E作为采样率,采集M次测试对象的PPG原始信号,将M次测试对象的PPG原始信号作为M个PPG原始信号样本,E为正整数;
在本步骤中,采样率阈值是M次采集测试对象PPG原始信号的最高采样率,实际操作中,利用光体积变化描记图法进行PPG原始信号采集,在采集过程中,以时间序列为索引,采集测试对象的PPG原始信号,然后以每秒钟的PPG原始信号作为一个PPG原始信号样本。在该步骤中,考虑采样率越高,计算出的血压值越准确,因此,步骤S1以最高采样率进行PPG原始信号的采集,此条件下的PPG原始信号计算出的血压值也将是最准确的,以此处作为采样率估算出发点。对于PPG原始信号本身,本实施例中也会采用M批量的样本,所以会采集M次PPG原始信号。
S2.直接测取测试对象的M次血压真实值,将M次血压真实值分别作为M个PPG原始信号样本所对应的血压测量基准值;
在本步骤中,直接测取测试对象的M次血压真实值的方式可采用传统的血压计测量,如水银血压计等,这里的操作所得到的结果是用来作为后续利用PPG信号进行血压测量估计的对比基准。
S3.根据采样率阈值对每一个PPG原始信号样本数据进行采样预处理,得到每一个PPG原始样本的原始PPG信号矩阵;
具体的,以采样率阈值E为尺度基准,将每一个PPG原始信号样本处理成PPG一维向量,表示为E×1的原始PPG信号矩阵X i ,在本实施例中,采样率阈值E取1000Hz,这个数值也即是设定为无创连续血压测量装置硬件所能达到的最高采样率,然后以最高采样率采集PPG原始信号,这样原始PPG信号矩阵X i 为一个1000×1的矩阵。
S4.引入DCT变换矩阵,利用DCT变换矩阵对原始PPG信号矩阵进行DCT变换,得到频域内的矩阵A;
在本实施例中,结合采样阈值的设定,引入的DCT变换矩阵为1000×1000的矩阵,利用DCT变换矩阵对原始PPG信号矩阵X i 进行DCT变换时,1000×1的原始PPG信号矩阵X i 左乘DCT变换矩阵,得到频域内的矩阵A,矩阵A共1000行、1列。
该过程利用DCT变换矩阵对原始PPG信号矩阵X i 进行的DCT变换是将信号从时域转换到频域,时域的原始PPG信号矩阵X i 转换成为频域的矩阵A,则通过矩阵A内部的矩阵分量即可以得出高频信号矩阵分量和低频信号矩阵分量,通常人体生理信号中的低频部分的信息量大于高频部分的信息量,高频部分中会含有噪声信息等,因此,通过DCT变换的方式将PPG信号转换到频域中进行降维,是一种删除高频的降维方式,这样能保证后续估算的采样率的合理性,依此进行的血压测量准确率也会更高,因此,在经DCT变换后得到的矩阵A中,自首行开始自上而下的矩阵分量,在频域内代表从低频至高频;
然后正式进入最低采样率估计阶段:
S5.以N作为等间隔采样率变化间距,将采样率降低N,得到新的采样率,从矩阵A中提取前N个低频点,组成矩阵C,N为正整数;此过程中降低N前最开始的采样率是采样率阈值,也即是从最高采样率开始降低,以满足不断抓取新的采样率的需要;
然后,从矩阵A中提取前N个低频点,组成矩阵C的过程为:
引入N×1000的低频提取矩阵B,低频提取矩阵B由N阶单位矩阵与N×(1000-N)的零矩阵拼接而成,1000大于N;
矩阵A左乘低频提取矩阵B,得到N个低频矩阵分量组成的矩阵C,矩阵C共N行、1列。
S6.对矩阵C进行DCT逆变换,得到时域内的新PPG信号矩阵Xo;IDCT逆变换过程为引入用于DCT逆变换的N×N的IDCT矩阵,N×1的矩阵C左乘N×N的IDCT矩阵,得到N×1的新PPG信号矩阵Xo,该技术操作是对每一个PPG原始样本的原始PPG信号矩阵进行的,与原始PPG信号矩阵Xo相比,原始PPG信号矩阵Xo为1000×1的矩阵,新PPG信号矩阵Xo是N×1的矩阵,采样率降低。
S7.对于每一个PPG原始信号样本,当得到的新PPG信号矩阵Xo的个数未达到设定值Q时,返回S5,Q也对应由采样率阈值逐次降低N后得到的不同采样率的个数;当达到设定值Q时,对Q个不同采样率下M个PPG原始信号样本对应的血压值分别进行回归预测,执行步骤S8;
此步骤在具体实施时,涉及到采用逐次降低采样率的方式,以获得不同采样率下的信号,此处的设定值Q说明在逐次降低采样率的方式实施过程中,采样率从采样阈值开始,不会无休止的一直下降,下降的次数会以设定值Q为准则,Q的具体值根据信号的数据量以及实际需求来设定,采样率以N作为等间隔采样率变化间距,每降低一次,获得一个新采样率,Q代表获得的新的采样率的个数。
S8.将Q个不同采样率下M个PPG原始信号样本对应的血压值分别与步骤S2所述的血压测量基准值对比,得到Q个不同采样率下M个PPG原始信号样本分别对应血压值的准确率,绘制准确率随采样率变化的趋势曲线;
Q个不同采样率下PPG原始信号样本对应血压值的准确率的表达式为:
P i_true =m i_true /M
其中,P i_true 表示采样率i下的PPG原始信号样本对应的血压值的准确率;m i_true 表示采样率i下的M个PPG原始信号样本中进行回归预测后得到的血压值与血压测量基准值相同时的PPG原始信号样本的个数。
S9.将趋势曲线中自准确率开始降低至准确率再次升高过程中的首个转折点对应的采样率作为PPG最低采样率。
在实际绘制的趋势曲线过程中,理论上采样率越高,血压测量值越正确,血压测量值与采样率之间的变化趋势是单调的,但Q个不同采样率下新PPG信号矩阵Xo对应血压值的准确率“加速度”趋势曲线可能有变化,自准确率开始降低至准确率再次升高过程中的首个转折点,即“加速度”最低点对应的采样率为最低采样率。
本实施例在整体上,首先以采样率阈值作为采样率,采集测试对象的PPG原始信号作为样本,对每一个样本进行预处理以及DCT变换,通过DCT变换的方式将PPG原始信号转换到频域中进行降维,回避高频噪声的干扰,以保证后续获取的最低采样率的合理性,在具体估计最低采样率的过程中,采用逐次降低采样率的方式,获得不同采样率下的信号,最后以测试对象的血压真实值为基准,预测不同采样率下的信号对应的血压值并与基准对比,获得不同采样率下血压准确度的趋势曲线,基于趋势曲线,在保证血压测量准确度的前提下,估计出最低采样率,操作简便,且不受生理信号稀疏性差的影响,可用于设计智能可穿戴血压估计硬件的最佳采样率,可减少某个血压估计硬件所需花费的时间成本及人力成本,简化寻找血压估计硬件最低采样率的过程,进而降低硬件的功耗。
实施例2
本实施例对实施例1中所提到的设定值Q进行进一步说明,首先,在步骤S5中,以N作为等间隔采样率变化间距,将采样率降低N,得到新的采样率,从矩阵A中提取前N个低频点,组成矩阵C时,涉及到采用逐次降低采样率的方式,以获得不同采样率下的信号,但是采样率以Q为准则,不可能无休止地降低,因此,设从采样率阈值E开始,以N作为等间隔采样率变化间距,采样率逐次降低N后所至的下限为Sa,Sa为正整数,则采样率降低尺度为(E-Sa),N与(E-Sa)满足:
N*Q=E-Sa
其中,Q表示得到的新PPG信号矩阵Xo的个数设定值,即采样率从采样率阈值E开始逐次降低N后得到不同采样率的个数,对于每一个PPG原始信号样本,Q个不同PPG信号矩阵Xo对应Q个不同的采样率,整个过程的示意可参见图3,在图3中,以在每一个采样率下,以线段长度代表采样率,最开始为采样阈值E,N作为等间隔采样率变化间距在图3中也有标出。
实施例3
本实施例中,将Q个不同采样率下M个PPG原始信号样本对应的血压值分别与步骤S2所述的血压测量基准值对比的具体过程进行进一步说明。
设VPG为对PPG信号矩阵Xo中PPG信号一次求导后的信号,APG为对PPG信号矩阵Xo中PPG信号二次求导后的信号,对于M个PPG原始信号样本的每一个PPG原始信号样本,从Q个不同采样率下PPG信号矩阵Xo中PPG信号的脉搏波曲线出发,对Q个不同采样率下PPG信号矩阵Xo中PPG信号、VPG信号、APG信号的特征点进行提取,参见图4,所述的特征点包括:PPG信号矩阵Xo中PPG信号脉搏波的收缩点S;VPG信号的收缩周期极大值w、重陷点N、舒张周期极大值u;APG信号的5个二次求导点a、b、c、d、e,其中,二次求导点a、b、c、d、e一般取APG信号的第一个极大值点、第一个极小值点、第二个极大值点、第二个极小值点、第三个极大值点等。
设采样率i下提取的PPG信号、VPG信号、APG信号的特征点为qi个,则M个PPG原始信号样本得到M*qi特征点,i表示采样率次序,i=1,2,…,Q,也表示得到PPG信号矩阵Xo的次序;将M个PPG原始信号样本划分为训练集和测试集,引入随机森林模型,随机森林模型属于集成学习中的bagging算法中的一种,随机森林就是通过集成学习的思想将多棵树集成的一种算法,基本单元是决策树,本质属于机器学习的一大分支——集成学习(EnsembleLearning)方法,随机森林模型中每棵决策树都是一个分类器,那么对于一个输入样本,W棵树会有W个分类结果,而随机森林集成了所有的分类投票结果,将投票次数最多的类别指定为最终的输出,在本实施例中,基于每个PPG原始信号样本提取的特征点,利用训练集和测试集训练并测试随机森林模型,具体过程此处不再赘述。
在随机森林模型训练测试完成后,将M个PPG原始信号样本输入随机森林模型进行回归预测,输出M个PPG原始信号样本对应的血压值,并分别与血压测量基准值对比,记录Q个不同采样率下回归预测后得到的血压值与血压测量基准值相同时的样本,将此类样本的个数m i_true 作为采样率i下的正确样本数。
实施例4
在本实施例中,提出了一种PPG采样率估算方法的应用,将实施例1~3所述的PPG采样率估算方法应用于无创连续血压测量设备硬件采样率的设计,所述的无创连续血压测量设备硬件可以为手环、智能手表等智能可穿戴的血压估计装置的硬件。
显然,本发明的上述实施例仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于无创连续血压测量的PPG采样率估算方法,其特征在于,包括:
S1.以采样率阈值E作为采样率,采集M次测试对象的PPG原始信号,将M次测试对象的PPG原始信号作为M个PPG原始信号样本,E为正整数;
S2.直接测取测试对象的M次血压真实值,将M次血压真实值分别作为M个PPG原始信号样本所对应的血压测量基准值;
S3.根据采样率阈值对每一个PPG原始信号样本数据进行采样预处理,得到每一个PPG原始样本的原始PPG信号矩阵;
S4.引入DCT变换矩阵,利用DCT变换矩阵对原始PPG信号矩阵进行DCT变换,得到频域内的矩阵A;
S5.以N作为等间隔采样率变化间距,将采样率降低N,得到新的采样率,从矩阵A中提取前N个低频点,组成矩阵C,N为正整数;
S6.对矩阵C进行DCT逆变换,得到时域内的新PPG信号矩阵Xo;
S7.对于每一个PPG原始信号样本,当得到的新PPG信号矩阵Xo的个数未达到设定值Q时,返回S5,Q对应由采样率阈值逐次降低N后得到的不同采样率的个数;当达到设定值Q时,对Q个不同采样率下M个PPG原始信号样本对应的血压值分别进行回归预测,执行步骤S8;
S8.将Q个不同采样率下M个PPG原始信号样本对应的血压值分别与步骤S2所述的血压测量基准值对比,得到Q个不同采样率下M个PPG原始信号样本分别对应血压值的准确率,绘制准确率随采样率变化的趋势曲线;
S9.将趋势曲线中自准确率开始降低至准确率再次升高过程中的首个转折点对应的采样率作为估算的PPG采样率。
2.根据权利要求1所述的基于无创连续血压测量的PPG采样率估算方法,其特征在于,在步骤S1中,所述的采样率阈值是M次采集测试对象PPG原始信号的最高采样率,在采集过程中,以时间序列为索引,采集测试对象的PPG原始信号,然后以每秒钟的PPG原始信号作为一个PPG原始信号样本。
3.根据权利要求2所述的基于无创连续血压测量的PPG采样率估算方法,其特征在于,步骤S3所述的根据采样率阈值对每一个PPG原始信号样本数据进行采样预处理的操作为:
以采样率阈值E为尺度基准,将每一个PPG原始信号样本处理成PPG一维向量,表示为E×1的原始PPG信号矩阵X i 。
4.根据权利要求3所述的基于无创连续血压测量的PPG采样率估算方法,其特征在于,步骤S4所述引入的DCT变换矩阵为E×E的矩阵,利用DCT变换矩阵对原始PPG信号矩阵X i 进行DCT变换时,E×1的原始PPG信号矩阵X i 左乘DCT变换矩阵,得到频域内的矩阵A,矩阵A共E行、1列。
5.根据权利要求4所述的基于无创连续血压测量的PPG采样率估算方法,其特征在于,在经DCT变换后得到的矩阵A中,自首行开始自上而下的矩阵分量,在频域内代表从低频至高频;
步骤S5所述从矩阵A中提取前N个低频点,组成矩阵C的过程为:
引入N×E的低频提取矩阵B,低频提取矩阵B由N阶单位矩阵与N×(E-N)的零矩阵拼接而成,E大于N;
矩阵A左乘低频提取矩阵B,得到N个低频矩阵分量组成的矩阵C,矩阵C共N行、1列;
步骤S6所述对矩阵C进行DCT逆变换时,引入用于DCT逆变换的N×N的IDCT矩阵,N×1的矩阵C左乘N×N的IDCT矩阵,得到N×1的新PPG信号矩阵Xo。
6.根据权利要求5所述的基于无创连续血压测量的PPG采样率估算方法,其特征在于,在步骤S7中,设从采样率阈值E开始,以N作为等间隔采样率变化间距,采样率逐次降低N后所至的下限为Sa,Sa为正整数,则采样率降低尺度为(E-Sa),N与(E-Sa)满足:
N*Q=E-Sa
其中,Q表示得到的新PPG信号矩阵Xo的个数设定值,即采样率从采样率阈值E开始逐次降低N后得到不同采样率的个数,对于每一个PPG原始信号样本,Q个不同PPG信号矩阵Xo对应Q个不同的采样率。
7.根据权利要求6所述的基于无创连续血压测量的PPG采样率估算方法,其特征在于,步骤S8所述的Q个不同采样率下M个PPG原始信号样本对应的血压值分别与步骤S2所述的血压测量基准值对比的过程为:
设VPG为对PPG信号矩阵Xo中PPG信号一次求导后的信号,APG为对PPG信号矩阵Xo中PPG信号二次求导后的信号,对于M个PPG原始信号样本的每一个PPG原始信号样本,从Q个不同采样率下PPG信号矩阵Xo中PPG信号的脉搏波曲线出发,对Q个不同采样率下PPG信号矩阵Xo中PPG信号、VPG信号、APG信号的特征点进行提取,设采样率i下提取的PPG信号、VPG信号、APG信号的特征点为qi个,则M个PPG原始信号样本得到M*qi特征点,i表示采样率次序,i=1,2,…,Q,也表示得到PPG信号矩阵Xo的次序,将M个PPG原始信号样本划分为训练集和测试集,引入随机森林模型,基于每个PPG原始信号样本提取的特征点,利用训练集和测试集训练并测试随机森林模型;
在随机森林模型训练测试完成后,将M个PPG原始信号样本输入随机森林模型进行回归预测,输出M个PPG原始信号样本对应的血压值,并分别与血压测量基准值对比,记录Q个不同采样率下回归预测后得到的血压值与血压测量基准值相同时的样本,将此类样本的个数m i_true 作为采样率i下的正确样本数。
8.根据权利要求7所述的基于无创连续血压测量的PPG采样率估算方法,其特征在于,所述的特征点包括:PPG信号矩阵Xo中PPG信号脉搏波的收缩点S;VPG信号的收缩周期极大值w、重陷点N、舒张周期极大值u;APG信号的5个二次求导点a、b、c、d、e。
9.根据权利要求8所述的基于无创连续血压测量的PPG采样率估算方法,其特征在于,步骤S8中所述Q个不同采样率下PPG原始信号样本对应血压值的准确率的表达式为:
P i_true =m i_true /M
其中,P i_true 表示采样率i下的PPG原始信号样本对应的血压值的准确率;m i_true 表示采样率i下的M个PPG原始信号样本中进行回归预测后得到的血压值与血压测量基准值相同时的PPG原始信号样本的个数。
10.一种无创连续血压测量设备,其特征在于,所述设备应用权利要求1~权利要求9任意一项所述的PPG采样率估算方法设计PPG采样率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210118049.1A CN114145725B (zh) | 2022-02-08 | 2022-02-08 | 一种基于无创连续血压测量的ppg采样率估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210118049.1A CN114145725B (zh) | 2022-02-08 | 2022-02-08 | 一种基于无创连续血压测量的ppg采样率估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114145725A CN114145725A (zh) | 2022-03-08 |
CN114145725B true CN114145725B (zh) | 2022-05-06 |
Family
ID=80450232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210118049.1A Active CN114145725B (zh) | 2022-02-08 | 2022-02-08 | 一种基于无创连续血压测量的ppg采样率估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114145725B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116712056B (zh) * | 2023-08-07 | 2023-11-03 | 合肥工业大学 | 心电图数据的特征图像生成与识别方法、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111870237A (zh) * | 2020-09-04 | 2020-11-03 | 平安科技(深圳)有限公司 | 血压检测方法、装置、设备及介质 |
CN112914527A (zh) * | 2021-02-08 | 2021-06-08 | 合肥工业大学 | 一种基于脉搏波光电容积描记术的动脉血压信号采集方法 |
CN113288090A (zh) * | 2021-05-06 | 2021-08-24 | 广东工业大学 | 血压预测方法、系统、设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190142286A1 (en) * | 2014-03-31 | 2019-05-16 | Sensogram Technologies, Inc. | Photoplethysmographic wearable blood pressure monitoring system and methods |
JP6486707B2 (ja) * | 2015-02-18 | 2019-03-20 | 株式会社メガチップス | 血圧測定装置 |
CN108471960A (zh) * | 2016-10-21 | 2018-08-31 | 华为技术有限公司 | 血压检测信号采样补偿方法和装置以及血压信号采集系统 |
US11529104B2 (en) * | 2017-11-13 | 2022-12-20 | Ai Care Corporation | Method of blood pressure estimation using trend analysis |
WO2019206818A1 (en) * | 2018-04-23 | 2019-10-31 | Evonik Degussa Gmbh | Methods to estimate the blood pressure and the arterial stiffness based on photoplethysmographic (ppg) signals |
KR102605899B1 (ko) * | 2018-09-11 | 2023-11-23 | 삼성전자주식회사 | 생체 신호 측정 장치 및 방법 |
-
2022
- 2022-02-08 CN CN202210118049.1A patent/CN114145725B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111870237A (zh) * | 2020-09-04 | 2020-11-03 | 平安科技(深圳)有限公司 | 血压检测方法、装置、设备及介质 |
CN112914527A (zh) * | 2021-02-08 | 2021-06-08 | 合肥工业大学 | 一种基于脉搏波光电容积描记术的动脉血压信号采集方法 |
CN113288090A (zh) * | 2021-05-06 | 2021-08-24 | 广东工业大学 | 血压预测方法、系统、设备及存储介质 |
Non-Patent Citations (5)
Title |
---|
Feature selection method of estimating systolic blood pressure using the Taguchi method;Arata Suzuki, et al;《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》;20140531;第10卷(第2期);全文 * |
InstaBP:Cuff-less blddo pressure monitoring on smartphone using single PPG sensor;Jishnu Dey,et al;《IEEE》;20181231;全文 * |
Wearable physiological parameters monitoring device based on blood pressure model and time domain analysis of PPG signal;SHI XIAO ZHANG ,ET AL;《2021 IEEE 4TH INTERNATIONAL CONFERENCE ON ELECTRONICS TECHNOLOGY》;20211231;全文 * |
基于光电容积脉搏波和机器学习方法的血压预测系统研究;谭志坚等;《医疗装备》;20200630;第33卷(第11期);全文 * |
自适应变采样率的快速频率测量算法;饶中洋等;《海洋技术》;20100630;第29卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114145725A (zh) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112089405B (zh) | 一种脉搏波特征参数测量及显示装置 | |
CN112806977B (zh) | 基于多尺度融合网络的生理参数测量方法 | |
CN111528814A (zh) | 基于lstm神经网络的机器学习监测血压的方法 | |
CN111714088B (zh) | 基于中医原理的人体特征指标检测方法和系统 | |
CN106923812B (zh) | 一种基于心音信号自相关分析的心率计算方法 | |
Gupta et al. | Higher order derivative-based integrated model for cuff-less blood pressure estimation and stratification using PPG signals | |
CN112274120B (zh) | 一种基于单路脉搏波的无创动脉硬化检测方法、装置 | |
CN112294272A (zh) | 监护仪及其不规则脉率识别方法 | |
CN107992452A (zh) | 计算中心血流动力学指标的方法、装置、存储介质及设备 | |
CN104644151B (zh) | 一种基于光电容积脉搏信号的压力脉搏波波形传播预测方法 | |
US20070203417A1 (en) | Signal processing for pulse oximetry | |
CN111839488A (zh) | 基于脉搏波的无创连续血压测量装置和方法 | |
CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 | |
CN116451110A (zh) | 基于信号能量特征和脉搏周期的血糖预测模型构建方法 | |
CN113662520B (zh) | 一种基于不确定性量化策略的可穿戴连续血压测量系统 | |
Pan et al. | Improved blood pressure estimation using photoplethysmography based on ensemble method | |
Yen et al. | Blood Pressure and Heart Rate Measurements Using Photoplethysmography with Modified LRCN. | |
Madhav et al. | Monitoring respiratory activity using PPG signals by order reduced-modified covariance AR technique | |
CN112836647A (zh) | 一种基于ppg信号的无创式甘油三酯估计系统 | |
CN117017297A (zh) | 驾驶员疲劳的预测和识别模型建立方法及其应用 | |
Pachauri et al. | Wavelet transform based arterial blood pressure waveform delineator | |
CN116649924A (zh) | 一种脉搏分析方法及装置 | |
CN111067500A (zh) | 一种基于ppg信号实现连续血压的监测系统 | |
CN115089145A (zh) | 基于多尺度残差网络和ppg信号的智能血压预测方法 | |
CN113057617B (zh) | 一种心输出量的无创监测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |